理工酷
资源下载
0
K-Means算法是一种无监督学习的聚类算法。给定样本集合X={x_1,…,x_n}，K-means聚类算法的目标是最小化聚类后所得到的簇的和方差。
其实现步骤如下：
（1）从n个数据点中任意选择K个作为初始聚类中心；
（2）计算每个数据点到这些聚类均值（即，聚类中心）的距离，然后把各个数据点分配给离它最近的那个聚类；
（3）如果所有的点都不再被重新分配，那么就停止并保持现有聚类；
（4）如果仍有数据点被重新分配，则重新计算均值，并返回到第2步。
缺点：
1.k的选取不好把握；
2.对于不是凸的数据集比较难以收敛；
3.如果数据的类型不平衡，比如数据量严重失衡或者类别的方差不同，则聚类效果不佳；
4.采用的是迭代的方法，只能得到局部最优解；
5.对于噪音和异常点比较敏感。
其在大数据分析中的应用：在线K-Means算法（对到达的数据立即处理，而不是等到全部数据接受完再处理）
（1）给定聚类的簇数K，根据先验知识初始化簇的中心m_1,…,m_K;
（2）初始化每个簇的数据点个数n_1,…,n_K，直到数据接收结束；
（3）循环接收新数据x，直到数据接收结束：
计算出距离x最近的中心m_i；
n_i 计数加1；
更新m_i= m_i+α(x-m_i)
K-Means算法，作为基础的聚类算法，容易理解应用也比较多，这里给出一种K-Means算法在图像处理中的应用。
我们在日常生活中会遇到图片内存过大而无法上传的情况，这时候就需要我们对于图片进行压缩。在这我们就可以使用K-Means算法将相似的像素点统一为一个类别，这样可以减小图片的内存，并且可以修改图片的样式，达到我们想要的结果。
其效果如下图所示：
收藏
